本发明涉及图像处理技术，特别是一种基于双树复小波的除雾方法。

视觉是人类获取外界信息的最主要来源之一，获取的途径也很多，随着现代科技的发展，大部分的视觉信息几乎都是通过图像中获取，由于受到恶劣天气(如雾，雾霾等)的影响，成像系统所拍摄的图像对比度明显下降，细节也会模糊，进而无法反映当时真实的场景信息，从而严重影响了军事、交通、航天和日常等进一步分析和决策，因此图像除雾对于户外作业有着十分重要的作用。

近年来，图像除雾研究也越来越受到国内外众多研究人员的关注，提出了许多有代表性的除雾算法，这些算法根据采用的图像的多少粗略分为基于多幅图像的除雾和基于单幅图像的除雾。基于多幅图的除雾算法中以Narasimhan提出的算法为代表，利用大气散射中的光传递模型来恢复恶劣条件下的图像，降低了图像中雾的浓度，提高了图像的清晰度(S.G.NarasimhanandS.K.Nayar,“VisionandtheAtmosphere,”InternationalJournalofComputerVision,2002，48：233-254)。Schechner等人结合不同偏正情况的图像消除或减弱了图像中的雾的影响，从而提高了图像的显示效果(TaliTreibitzandYoavY.Schechner,“Activepolarizationdescattering,”IEEETrans.PatternAnalysisandMachineIntelligence,2009,31(3):385-399)。国内陈功等人先利用有雾和无雾图像生成场景景深，然后结合大气散射模型去除雾(陈功,王唐,周荷琴.基于物理模型的雾天图像复原新方法.中国图象图形学报。2008,13(5):888-893)。对于同一场景的不同多幅图像由于很难精确获取，基于多幅图像的除雾算法在实际场景中应用范围很窄。而单幅图像非常容易获取，现在越来越多的研究者转向单幅图像的除雾研究。Tan等人提出基于独立分量分析的除雾算法，该算法寻找局部对比度最大化来提高图像的信息，从而降低了图像中的雾(R.Tan.Visibilityinbadweatherfromasingleimage.IEEEConferenceonComputerVisionandPatternRecognition.2008,1-8)。He等人通过研究大量的无雾图像发现了暗通道的先验规律，同时结合了单色大气散射模型，有效去除了图像中的雾(KaimingHe,JianSun,andXiaoouTang.Singleimagehazeremovalusingdarkchannelprior.IEEEConferenceonComputerVisionandPatternRecognition.2009,1956-1963)。Fattal提出了基于新的场景透射度的除雾方法(R.Fattal.SingleImageDehazing.J.ACMSiggraph2008,1-9)。国内研究者李权合等人通过新的方法求解单色大气散射模型中的未知参数，从而提高了场景的对比度和清晰度(李权合，毕笃彦，许悦雷，查宇.雾霾天气下可见光图像场景再现.2014,40(4):744-750)。

上述这些基于物理模型的去雾算法几乎都是通过过多的限制条件，求解相关的物理模型中的未知参数，进而提高图像的对比度或清晰度。这些除雾算法都假设环境光是同一大小的值，同时也仅考虑了图像的单尺度，忽略了不同尺度信息对图像处理的影响。

目前，虽然在一些简单场景中的除雾算法比较成熟，但在雾比较严重的图像中去除效果不理想。如果能找到较好的除雾模型，对图像去雾有很大的帮助，除外，评估简便程度、移植性等，都是需要考虑的问题。

针对现有技术中存在的问题，本发明提供了一种利用双数复小波变换获取图像不同尺度的信息获取大气环境光的近似值，第一步先利用双树复小波变换获取环境光的近似值，接着第二步利用改进暗通道先验知识推导出大气透射率，接着估算出雾图，最后根据原图，实现去雾，可以解决在交通、军事、航天、遥感等众多视觉领域的雾引起的误判，提高所获图片的质量，增强图像的显示效果，为进一步图像分析提供坚实基础的除雾方法。

本发明的目的通过以下技术方案实现。

一种基于双树复小波的除雾方法，步骤包括：

1)原图像预处理：降低图像分辨率；

2)计算大气环境光：将图像进行多层分解后，提取不同方向的高频部分，然后进行重构，生成大气图作为大气环境光的近似；

3)计算类暗通道图：基于双树复小波理论，将图像先进行多层分解，然后将每一层从6个方向进行重构，接着根据暗通道理论，计算每一层对应的暗通道图，最后将其平均作为图像类暗通道图；

4)计算非线性归一化大气透射率图：根据步骤3)生成的图像类暗通道图计算对应的大气透射率图，并将其非线性归一化；

5)生成去除雾图：根据大气环境光和非线性归一化大气透射率图，计算雾近似图，然后根据原图像，生成去雾图。

所述步骤1)具体为：在RGB颜色图像中，根据最近邻的原则，将原图像降低分辨率到[480,640]。

所述步骤2)具体为：基于多层小波的高频部分，提取所有第1层的信息，并将其融合形成近似大气环境光Abwt。

所述步骤3)中的双树复小波理论就是在经典离散小波理论的基础上，通过2个独立的实小波完成复小波运算，即复小波其中，都是实小波，每一层复小波分解后6个高频细节部分对应图像6个不同的方向信息，即±15°，±45°，±75°的图像信息，然后将每一层的6个方向信息进行重构，获取每一层图像的近似值，接着根据暗通道理论计算每一层的类暗通道图，最后将所有层的类暗通道图进行平均，作为原图像的类暗通道图。

所述步骤4)中的非线性归一化大气透射率图，首先在步骤3)的基础上计算大气透射率图：大气透射率 map a t m o ( x ) = 1 - min c ( min y ∈ N ( x ) ( dark b w t c ( y ) / A b w t c ( y ) ) ) , ]]>其中，c代表彩色图像的颜色通道，y是像素x的邻域，imc表示c通道的的原图像，是c通道的类暗通道图，由于增强除雾的效果，将大气透射率图进行非线性，过程是如下：mapnatmo(x)＝exp(mapatmo(x)/(2*sigma2))，其中，mapnatmo是非线性的大气透射率图，sigma用来控制透射的效果。

所述步骤5)具体为：根据近似大气环境光和非线性归一化大气透射率图，雾近似图其中，.*表示近似大气环境光和非线性归一化的像素对应相乘，然后根据原图像，生成去雾图。

相比于现有技术，本发明的优点在于：基于物理模型的去雾算法几乎都是通过限制条件，求解相关的物理模型中的未知参数，从而提高图像的对比度或清晰度。但这些基于物理模型的除雾算法都假设环境光是同一大小的值，同时也忽略图像不同尺度信息对图像处理的影响。本发明第一步先利用双树复小波变换分析图像的低频信息，获取大气环境光的近似值，接着第二步利用改进暗通道先验知识推导出大气透射率，接着估算出雾图，最后根据原图，实现去雾。本发明利用了双树复小波的多尺度信息，提高去雾效果，计算简便，可实现性好，因此可以很方便应用到计算机，甚至优化后可以移植到嵌入式系统中。本发明可以被广泛地应用于了军事、交通、航天和遥感的等户外作业用途。

图1是本发明方法流程示意图。

图2是本发明方法的原图和大气环境近似图。

图3是本发明方法原图和雾层近似图。

图4是本发明方法几种特例的原图和去云雾图。

下面结合说明书附图和具体的实施例，对本发明作详细描述。

本发明提出基于双树复小波的两步除雾方法，用于交通、军事、航天、遥感等众多视觉领域的雾引起的误判，提高所获图片的质量，增强图像的显示效果。该方法对于均匀雾霾下的图像有较好的除雾效果，提高了图像的对比度，增强了图像的显示效果，因而也是一种有效的图像除雾方法。本发明第一步先利用双树复小波变换分析图像的高频信息，获取大气环境光的近似值，接着第二步利用改进暗通道先验知识推导出大气透射率，接着估算出雾图，最后根据原图，实现去雾。

本发明除雾流程图步骤如图1所示，通过采集设备采集到图像，然后通过双树复小波分解和重构，利用双树复小波变换获取大气环境光的近似值，接着第二步利用改进暗通道先验知识推导出大气透射率，进而进行非线性归一化，接着估算出雾图，最后根据原图，实现去雾。具体如下：一种基于双树复小波的除雾方法，步骤包括：

1)原图像预处理：为了提高计算的速度，降低图像分辨率，在RGB颜色图像中，根据最近邻的原则，将原图像降低分辨率到[480,640]；

2)计算大气环境光：将图像进行多层分解后，提取不同方向的高频部分，基于多层小波的高频部分，提取所有第1层的信息，然后进行重构，生成大气图作为大气环境光的近似，即融合成近似大气环境光Abwt。；

3)计算类暗通道图：基于双树复小波理论，通过2个独立的实小波完成复小波运算，即复小波其中，都是实小波，每一层复小波分解后6个高频细节部分对应图像6个不同的方向信息，即±15°，±45°，±75°的图像信息，比经典离散小波变换多了3个不同的方向信息，保留了更多的图像细节，然后将每一层的6个方向信息进行重构，获取每一层图像的近似值，接着根据香港中文大学的何凯明的暗通道理论(KaimingHe,JianSun,andXiaoouTang.Singleimagehazeremovalusingdarkchannelprior.IEEETrans.PatternAnalysisandMachineIntelligence,33(12):2341-2353)计算每一层的类暗通道图，最后将所有层的类暗通道图进行平均，作为原图像的类暗通道图。

4)计算非线性归一化大气透射率图：首先在步骤3)的基础上计算大气透射率图：大气透射率 map a t m o ( x ) = 1 - min c ( min y ∈ N ( x ) ( dark b w t c ( y ) / A b w t c ( y ) ) ) , ]]>其中，c代表彩色图像的颜色通道，y是像素x的邻域，imc表示c通道的的原图像，是c通道的类暗通道图，由于增强除雾的效果，将大气透射率图进行非线性，过程是如下：mapnatmo(x)＝exp(mapatmo(x)/(2*sigma2))，其中，mapnatmo是非线性的大气透射率图，sigma用来控制透射的效果，其值越大，透射越小，反之，值越小，透射越大。

5)生成去除雾图：根据近似大气环境光和非线性归一化大气透射率图，雾近似图 mog c ( x ) = A b w t c ( x ) . * map n a t m o ( x ) , ]]>其中，.*表示近似大气环境光和非线性归一化的像素对应相乘，然后根据原图像，生成去雾图。

图2是大雾下公路原图(a)和大气环境近似效果图(b)。从原图和大气环境近似图中可以发现大气近似图是当时的大气环境最好的近似。

图3是原图(a)和雾层的近似图(b)。

图4的效果显示集中不同场景下的雾图和除雾后的效果图，(a)为人行道和去雾后的人行道，(b)为玩具和去雾后的玩具，(c)为高速公路和去雾后的高速公路，上述证明了本发明提出的方法对于均匀的雾有较好的除雾效果。